量子增强型注意力长短时记忆网络在油田储层空间渗透率预测中的应用
储层参数（尤其是渗透率）的空间预测对油气勘探开发至关重要。然而，渗透率变化范围广、波动性高的特点使得现有方法难以提供可靠预测。该研究首次在地下空间预测领域提出量子增强型注意力长短期记忆网络（QLSTMA），将变分量子电路（VQC）嵌入循环单元。通过量子纠缠和叠加原理，该模型显著提升了渗透率等复杂地质参数的预测能力。研究设计了两种量子化结构——共享门控QLSTMA（QLSTMA-SG）和独立门控QLSTMA（QLSTMA-IG），以评估量子结构配置和量子比特数对模型性能的影响。实验表明，8量子比特的QLSTMA-IG模型性能显著优于传统注意力长短期记忆网络（LSTMA），平均绝对误差（MAE）降低19%，均方根误差（RMSE）降低20%，在测井数据复杂区域表现尤为突出。这些发现验证了量子-经典混合神经网络在储层预测中的潜力，表明尽管依赖经典计算机模拟，增加量子比特数仍能进一步提升精度。该工作为未来在真实量子硬件部署此类模型奠定了基础，并为其在石油工程与地球科学领域的更广泛应用提供了框架。
